高温高压有机工质密度实验测量及预测方法

针对有机工质高温高压下密度的测量较为困难的问题,特别是超临界状态下,设计出高温高压下密度的测量方法,并提出了基于最小二乘支持向量机（LSSVM）的密度预测方法.该方法首先利用实验手段对有机工质在不同温度、压力点下的密度进行测量,并通过对该离散的实验段数据的学习,利用最小二乘支持向量机方法预测得到T-p面上密度的连续值,尤其是实验手段难以测量的超临界下的密度.基于该方法,以有机工质六甲基二硅氧烷为例,得到了其在T（600~850K）与p（1.3~2.25MPa）范围内的密度值及密度关于温度压力的函数公式,并将其结果与公布的密度数据对比,结果表明:两者的相对误差仅为2.4%,证明了方法的有效性.      

主成分分析和支持向量机在无刷直流电机故障诊断中的应用研究

针对无刷直流电机(BLDCM)故障诊断问题,提出一种基于主成分分析(PCA)和支持向量机(SVM)的故障诊断方法。首先对故障时刻无刷直流电机三相电流进行分析,提取故障特征值;再由PCA从提取的故障特征值中选取敏感特征;最后使用SVM对特征值集合进行训练和测试,实现故障诊断与识别。该方法在6种无刷直流电机典型故障中进行了验证,故障诊断准确率高达92%,证实了该方法的有效性。     

基于动态优化数据的航空发动机过渡态控制方法

针对一般稳态燃油前馈PID算法在发动机过渡态过程中控制效果差的问题,提出了一种基于动态优化数据的涡轴发动机瞬态控制方法。采用带约束限制的序列二次规划（SQP）优化算法采集包线范围内各点的过渡态参数变化数据作为样本数据,利用稀疏化的最小二乘支持向量机（LSSVM）对样本数据进行训练、测试,将训练得到的LSSVM模型作为前馈与PI构成闭环控制器共同对涡轴发动机进行过渡态控制。通过对民用涡轴发动机部件级模型的包线内某两点不同功率水平进行仿真,结果表明,过渡态过程中动力涡轮转速超调量与下垂量均小于0.4%,稳态误差为0,动力涡轮转速稳定时间小于2s,各参数均未超限,因此,该控制器能有效提高涡轴发动机过渡态控制效果,实现对参数的限制管理。     

遥感卫星数据传输技术发展分析

在分析遥感卫星对该技术总体需求的基础上,从数据率、频段选择、数据压缩、调制解调、数据安全、编译码等几个方面对此项技术的发展进行了分析和预测,并提出了相应的对策。     

基于物理规划的数据中继卫星链路配置决策方法

将方案评价与决策的思想引入到卫星链路配置中,建立了中继卫星链路参数配置的多目标模型,并用"短板链路"优先配置的原则,将多目标模型缩减为三目标模型。采用基于物理规划的决策方法,给出了决策三目标配置模型最优解的具体实现算法。通过实例分析表明该决策方法是可行的。     

基于满意决策的多机协同目标分配算法

多机协同目标分配问题是无人机UAV(Uninhabited Aerial Vehicle)研究 中一个重要的问题.考虑UAV差异、目标差异及战场态势对目标分配的影响,建立了多机 协同目标分配问题的数学模型.提出基于满意决策的目标分配算法,通过搜索个体满 意集合获取群体优化的目标分配方案.对多目标分配问题,将攻击方案作为个体满意集 合的元素扩展了基于满意决策的目标分配算法.为适应更大的问题空间的求解需求,提出递 阶分配框架,并将满意决策方法用于递阶分配.计算结果表明,算法能有效提 高搜索效率,并得到很好的优化效果.      

基于单帧图像质量加权的视频质量评价模型

利用人眼视觉特性与视频序列时空相关特性,提出了基于视频序列内单帧图像质量加权的视频质量评价模型.其中,单帧图像质量利用峰值信噪比和结构相似性度量作为图像质量的描述参数,采用神经网络(NN,Neural Network)与支持向量机(SVM,Support Vector Machines)建立图像质量评价模型;视频序列质量由序列内单帧图像质量加权衡量,加权因子描述了视频序列内运动及场景变化的剧烈程度.仿真实验结果表明,该模型的输出能有效地反映图像的主观质量.模型预测出的单帧图像质量和视频序列质量的单调性相比PSNR分别提高7.42%和10.47%,均方根误差相比则提高了36.06％和10.48%.      

一种改进的近似支持向量机算法

标准近似支持向量机受类别差异影响和噪声、野值数据干扰较重,使得分类能力不高.提出一种改进的近似支持向量机算法——加权近似支持向量机,通过为不同类别设定不同的惩罚参数和为每个样本引入模糊隶属值,有效补偿类别差异带来的倾向性并去除噪声和野值数据的影响.模糊隶属函数的选取采用样本与类中心的距离和样本紧密度的加权平均值计算,以有效去除噪声和野值数据的干扰.经过分析,改进后的算法可近似归结为一种岭回归模型.实验表明,与标准近似支持向量机相比,该算法有更好的分类能力.      

支持向量机用于液体火箭发动机的故障诊断

支持向量机（Support Vector Machine,简称SVM）是一种基于机器学习的模式分类算法,其在解决小样本、非线性及高维模式识别等问题中都表现出许多特有的优势。用SVM对液体火箭发动机的故障数据进行检测和诊断。通过对发动机仿真模型的9种故障数据的学习,能检测出18组故障数据中的17组,但有4组出现误报,对误报故障进行二次学习和再检测,能对这4种故障正确检测。经过对C75试车4种故障数据的学习,能正确检测其故障类型,进一步验证了该方法的正确性和可行性。     

航空发动机直通型篦齿径向变形稳健性优化

为了降低参数不确定性对发动机直通型篦齿径向变形的影响,提出了一种基于最小二乘支持向量机(LS-SVM)和概率分位数区间模型的稳健性优化方法。通过LS-SVM建立参数与篦齿径向变形的响应面近似模型,考虑到参数不确定性分布类型的差异性,采用概率分位数区间方法建立稳健性优化模型,对篦齿结构径向变形进行了稳健性优化设计。结果表明:优化后的篦齿结构径向变形概率分位数区间比优化前减少6%,参数灵敏度分析结果也验证了该优化方法的有效性。